| 窗口程序集名 | 保 留 | 保 留 | 备 注 |
| yolox, , 公开 | | | |
| 变量名 | 类 型 | 数组 | 备 注 |
| stride | 整数型 | 3 |
| 输入_尺寸 | 整数型 | 2 |
| 平均 | 小数型 | 3 |
| 标准 | 小数型 | 3 |
| 置信阈值 | 小数型 | |
| 抑制阈值 | 小数型 | |
| 类数 | 整数型 | |
| DNN网络 | 网络类 | |
| 类名数组 | 字节集 | 0 |
stride ＝
{ 8, 16, 32
}输入_尺寸 ＝
{ 640, 640
} 平均 ＝
{ 0.485, 0.456, 0.406
}标准 ＝
{ 0.229, 0.224, 0.225
}类名数组 ＝
分割字节集 (读入文件 (“C:\Users\hanyo\Desktop\yolox-opencv-dnn-main\coco.names”),
{ 10
},
)类数 ＝
取数组成员数 (类名数组
)|
| 初始化 | | |
|
| 模型路径 | 文本型 | | | |
配置阈值 | 小数型 | | | | NMS制阈值 | 小数型 | | | |
置信阈值 ＝ 配置阈值
抑制阈值 ＝ NMS制阈值
DNN网络 ＝
视觉_读取网络 (模型路径, ,
“”)| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| 尺度 | 小数型 | | |
| 输出图 | 多维矩阵类 | | |
| 前景目标 | 多维矩阵类 | | |
| 输出s | 多维矩阵类 | | 0 |
| 提取数量 | 整数型 | | |
| 高比率 | 小数型 | | |
| 宽比率 | 小数型 | | |
| n | 整数型 | | |
| i | 整数型 | | |
| j | 整数型 | | |
| 数t | 整数型 | | |
| row_ind | 整数型 | | |
| 指针 | 小数型指针类 | | |
| 网格_x数 | 整数型 | | |
| 网格_y数 | 整数型 | | |
| 预测_分数 | 小数型 | | |
| 分数 | 多维矩阵类 | | |
| 类ID坐标 | 点2i类 | | |
| 最大类分数 | 双精度小数型 | | |
| 类_idx | 整数型 | | |
| 类_分数 | 小数型 | | |
| 预测_概率 | 小数型 | | |
| 中心X | 小数型 | | |
| 中心Y | 小数型 | | |
| w | 小数型 | | |
| h | 小数型 | | |
| x0 | 小数型 | | |
| y0 | 小数型 | | |
| 类ID集 | 整数型 | | 0 |
| 置信度集 | 小数型 | | 0 |
| 预测框集 | 矩形2i类 | | 0 |
| 抑制索引 | 整数型 | | 0 |
| 索引 | 整数型 | | |
| 预测框 | 矩形2i类 | | |
| 左上角X | 小数型 | | |
| 左上角Y | 小数型 | | |
| 有下角X | 小数型 | | |
| 有下角Y | 小数型 | | |
| 标签 | 文本型 | | |
| 标签尺寸 | 尺寸2i类 | | |
| 基线坐标 | 整数型 | | |
尺度 ＝ 1
输出图 ＝
调整大小图像 (输入图, 尺度
)归一化 (输出图
)前景目标 ＝
视觉_图像前景目标 (输出图, 1, , , 假, 假, 5
)DNN网络.
设置输入 (前景目标,
“”, 1,
)DNN网络.
前向计算V (输出s, DNN网络.
获取未连接的输出层名称 ())
如果真 (输出s
[1
].
维度 () ＝ 3
)
提取数量 ＝ 输出s
[1
].
维度元素数 (1
)输出s
[1
] ＝ 输出s
[1
].
重塑 (0, 提取数量
)高比率 ＝ 输入图.行数 () ÷ 输入_尺寸 [1]宽比率 ＝ 输入图.
列数 () ÷ 输入_尺寸
[2
]数t ＝
取数组成员数 (类名数组
) ＋ 5
指针.指针 ＝ 输出s
[1
].
数据指针 ()
计次循环首 (3, n
)网格_x数 ＝ 输入_尺寸
[2
] ÷ stride
[n
]网格_y数 ＝ 输入_尺寸
[1
] ÷ stride
[n
]计次循环首 (网格_y数, i
)计次循环首 (网格_x数, j
)预测_分数 ＝ 指针.
读 (4
)分数 ＝ 输出s
[1
].
行 (row_ind
).
列范围 (5, 输出s
[1
].
列数 ())
视觉_最小最大位置 (分数, , 最大类分数, , 类ID坐标,
)类_idx ＝ 类ID坐标.左边
类_分数 ＝ 指针.
读 (5 ＋ 类_idx
)预测_概率 ＝ 预测_分数 × 类_分数
如果真 (预测_概率 ＞ 置信阈值
) 中心X
＝ (指针.
读 (0
) ＋ j － 1
) × stride
[n
]中心Y
＝ (指针.
读 (1
) ＋ i － 1
) × stride
[n
]w ＝
求反对数 (指针.
读 (2
)) × stride
[n
]h ＝
求反对数 (指针.
读 (3
)) × stride
[n
]x0 ＝ 中心X － w × 0.5
y0 ＝ 中心Y － h × 0.5
加入成员 (类ID集, 类_idx
)加入成员 (置信度集, 预测_概率
)加入成员 (预测框集,
矩形2i (x0, y0, w, h
))
指针.偏移 (数t)row_ind ＝ row_ind ＋ 1
计次循环尾 ()计次循环尾 ()计次循环尾 () 视觉_非最大抑制 (预测框集, 置信度集, 置信阈值, 抑制阈值, 抑制索引, 1, 0
)计次循环首 (取数组成员数 (抑制索引
), i
)索引 ＝ 抑制索引
[i
] 预测框 ＝ 预测框集
[索引 ＋ 1
] 左上角X ＝ 预测框.左边 ÷ 尺度
左上角Y ＝ 预测框.顶边 ÷ 尺度
有下角X
＝ (预测框.左边 ＋ 预测框.宽度
) ÷ 尺度
有下角Y
＝ (预测框.顶边 ＋ 预测框.高度
) ÷ 尺度
左上角X ＝
视觉_取最大值 (视觉_取最小值 (左上角X, 输入图.
列数 () － 1
), 0
)左上角Y ＝
视觉_取最大值 (视觉_取最小值 (左上角Y, 输入图.
行数 () － 1
), 0
)有下角X ＝
视觉_取最大值 (视觉_取最小值 (有下角X, 输入图.
列数 () － 1
), 0
)有下角Y ＝
视觉_取最大值 (视觉_取最小值 (有下角Y, 输入图.
行数 () － 1
), 0
)视觉_矩形1 (输入图,
点2i (左上角X, 左上角Y
),
点2i (有下角X, 有下角Y
),
标量 (0, 0, 255
), 2, 0, 0
) 标签 ＝
到文本 (类名数组
[类ID集
[索引 ＋ 1
] ＋ 1
]) ＋
“:” ＋
到文本 (置信度集
[索引 ＋ 1
])标签尺寸 ＝
视觉_获取文本尺寸 (标签,
#字体_衬线_简单, 0.5, 1, 基线坐标
)左上角Y ＝
视觉_取最大值 (左上角Y, 标签尺寸.高
)视觉_放置文本 (输入图, 标签,
点2i (左上角X, 左上角Y
),
#字体_衬线_简单, 0.75,
标量 (0, 255, 0
), 1, 8,
假)计次循环尾 ()|
| 调整大小图像 | 多维矩阵类 | |
|
| 输入图 | 多维矩阵类 | | | |
规模 | 小数型 | | | |
| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| r | 小数型 | | |
| 填充_w | 整数型 | | |
| 填充_h | 整数型 | | |
| 零时 | 多维矩阵类 | | |
| 输出 | 多维矩阵类 | | |
r ＝
视觉_取最小值 (输入_尺寸
[2
] ÷ 输入图.
列数 (), 输入_尺寸
[1
] ÷ 输入图.
行数 ())
规模 ＝ r
填充_w ＝ r × 输入图.
列数 ()填充_h ＝ r × 输入图.
行数 ()零时.
初始化 (填充_h, 填充_w,
#Cv无符号字节型_三通道, )视觉_调整尺寸 (输入图, 零时, 零时.
尺寸2i (), 0, 0, 1
)输出.
初始化 (输入_尺寸
[2
], 输入_尺寸
[1
],
#Cv无符号字节型_三通道, 标量 (114, 114, 114
))
零时.
复制 (输出.
感兴区域 (矩形2i (0, 0, 零时.
列数 (), 零时.
行数 ())
),
)返回 (输出
)| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| i | 整数型 | | |
| j | 整数型 | | |
| 指针 | 小数型指针类 | | |
视觉_颜色空间转换 (图, 图,
#颜色_BGR转RGB, 0
)图.
转换到 (图,
#Cv小数型, 1, 0
)变量循环首 (0, 图.
行数 () － 1, 1, i
)指针.指针 ＝ 图.
数据指针 () ＋ i × 图.
维度元素尺寸 (0
)变量循环首 (0, 图.
列数 () － 1, 1, j
)指针.
写 (0, (指针.
读 (0
) ÷ 255 － 平均
[1
]) ÷ 标准
[1
])指针.
写 (1, (指针.
读 (1
) ÷ 255 － 平均
[2
]) ÷ 标准
[2
])指针.
写 (2, (指针.
读 (2
) ÷ 255 － 平均
[3
]) ÷ 标准
[3
])指针.
偏移 (3
)变量循环尾 ()变量循环尾 ()
